保护隐私的联合学习空间-空中-地面集成网络:一个双层强化学习和适应性转移学习优化框架
Ling Li1, Lidong Zhu1, Weibang Li2
1National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China, Chengdu 611731, China.
本研究介绍了PPFL-SAGIN,这是一个新的空间-空中-地面集成网络 (SAGIN) 联合学习框架. 它提高了模型准确性和融合速度,同时确保了强大的隐私保护.
科学领域:
- 计算机科学 计算机科学
- 网络工程 网络工程
- 人工智能的人工智能
背景情况:
- 太空空地综合网络 (SAGIN) 对未来的智能通信至关重要.
- 联合学习 (FL) 在SAGIN中面临挑战,原因是高延迟,动态拓和隐私问题.
研究的目的:
- 为SAGINs (PPFL-SAGIN) 提出一个保护隐私的联合学习框架.
- 为了解决SAGIN中的数据异质性,设备动态和隐私泄露问题.
主要方法:
- 整合差异性隐私,适应性转移学习和双层强化学习.
- 针对设备异质性和数据分布差异的适应性知识共享机制.
- 双层强化学习用于优化设备选择和模型融合.
- 动态的隐私预算分配和强大的聚合算法.
主要成果:
- 与基线方法 (FedAvg,FedAsync,FedAsyncISL) 相比,PPFL-SAGIN显示出更高的性能.
- 在模型准确性,融合速度和隐私保护强度方面观察到显著的改进.
- 保护隐私,设备选择和SAGINs内的全球聚合的有效性.
结论:
- PPFL-SAGIN有效地解决了将FL应用于SAGIN中的关键挑战.
- 拟议的框架为集成网络环境中的智能通信提供了强大的解决方案.
更多相关视频
08:04Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT
Published on: April 23, 2020
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
相关概念视频
Associative Learning
Classical conditioning, also known...
Differential Leveling
Introduction and Methods of Leveling
Multi-input and Multi-variable systems
In the absence...
Improving Translational Accuracy
Laminar Flow: Problem Solving
